論文の概要: Unraveling the Control Engineer's Craft with Neural Networks
- arxiv url: http://arxiv.org/abs/2311.11644v1
- Date: Mon, 20 Nov 2023 10:22:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 19:15:56.080579
- Title: Unraveling the Control Engineer's Craft with Neural Networks
- Title（参考訳）: ニューラルネットワークによる制御エンジニアの工芸の展開
- Authors: Braghadeesh Lakshminarayanan, Federico Dett\`u, Cristian R. Rojas,
Simone Formentin
- Abstract要約: 本稿では,デジタルツインを用いて入力出力データとパラメータの摂動に適したコントローラを生成する,データ駆動型コントローラチューニング手法を提案する。
我々は,デジタルツインの摂動バージョンから人工的に生成されたデータに基づいて,入力出力データをコントローラパラメータにマッピングするコントローラチューニングルールを学習する。
- 参考スコア（独自算出の注目度）: 4.5088302622486935
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many industrial processes require suitable controllers to meet their
performance requirements. More often, a sophisticated digital twin is
available, which is a highly complex model that is a virtual representation of
a given physical process, whose parameters may not be properly tuned to capture
the variations in the physical process. In this paper, we present a sim2real,
direct data-driven controller tuning approach, where the digital twin is used
to generate input-output data and suitable controllers for several
perturbations in its parameters. State-of-the art neural-network architectures
are then used to learn the controller tuning rule that maps input-output data
onto the controller parameters, based on artificially generated data from
perturbed versions of the digital twin. In this way, as far as we are aware, we
tackle for the first time the problem of re-calibrating the controller by
meta-learning the tuning rule directly from data, thus practically replacing
the control engineer with a machine learning model. The benefits of this
methodology are illustrated via numerical simulations for several choices of
neural-network architectures.
- Abstract（参考訳）: 多くの産業プロセスは、性能要求を満たすために適切なコントローラを必要とする。
より頻繁に、高度なデジタルツインが利用可能であり、それは与えられた物理過程の仮想的な表現である非常に複雑なモデルであり、そのパラメータは物理過程の変動を捉えるために適切に調整されない。
本稿では,デジタルツインを用いて入力出力データとパラメータの摂動に適したコントローラを生成する,sim2real, direct data-driven controller tuning approachを提案する。
最先端のニューラルネットワークアーキテクチャは、デジタルツインの摂動バージョンから人工的に生成されたデータに基づいて、入力出力データをコントローラパラメータにマッピングするコントローラチューニングルールを学ぶために使用される。
このようにして、我々が認識している限り、我々は初めて、チューニングルールをデータから直接メタ学習することにより、制御エンジニアを機械学習モデルに置き換えることにより、コントローラの再調整の問題に取り組む。
この手法の利点は、ニューラルネットワークアーキテクチャのいくつかの選択に対する数値シミュレーションによって示される。
関連論文リスト
- OminiControl: Minimal and Universal Control for Diffusion Transformer [68.3243031301164]
OminiControlは、イメージ条件をトレーニング済みのDiffusion Transformer(DiT)モデルに統合するフレームワークである。
コアとなるOminiControlはパラメータ再利用機構を活用しており、強力なバックボーンとしてイメージ条件をエンコードすることができる。
OminiControlは、主観駆動生成や空間的に整合した条件を含む、幅広いイメージコンディショニングタスクを統一的に処理する。
論文 参考訳（メタデータ） (2024-11-22T17:55:15Z) - Data-Driven Predictive Control of Nonholonomic Robots Based on a Bilinear Koopman Realization: Data Does Not Replace Geometry [0.5277756703318045]
本稿では,非ホロノミック移動ロボットの予測制御系にEDMDモデルを組み込む方法について検討する。
実世界の計測データのみを用いて、シミュレーションとハードウェア実験の両方で、サロゲートモデルが高精度な予測制御を可能にすることが示されている。
論文 参考訳（メタデータ） (2024-11-11T18:08:17Z) - Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。
コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。
本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文 参考訳（メタデータ） (2024-06-22T11:17:50Z) - The Artificial Neural Twin -- Process Optimization and Continual Learning in Distributed Process Chains [3.79770624632814]
本稿では,モデル予測制御,ディープラーニング,センサネットワークの概念を組み合わせた人工ニューラルツインを提案する。
我々のアプローチでは、分散プロセスのステップの状態を推定するために、微分可能なデータ融合を導入します。
相互接続されたプロセスステップを準ニューラルネットワークとして扱うことで、プロセス最適化やモデル微調整のための損失勾配をプロセスパラメータにバックプロパゲートすることができる。
論文 参考訳（メタデータ） (2024-03-27T08:34:39Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Using Neural Networks by Modelling Semi-Active Shock Absorber [0.0]
絶え間なく増加する自動車制御システムには、デジタルマッピングに対する新しいアプローチが必要である。
ニューラルネットワーク(NN)を適用する様々な手法は、自動車制御系設計における関連するデジタルツイン(DT)ツールの候補となる。
本稿では, 半能動衝撃吸収器のモデリングにより, 回帰タスクを効率的に処理する方法を示す。
論文 参考訳（メタデータ） (2022-07-19T09:21:21Z) - An Artificial Neural Network-Based Model Predictive Control for
Three-phase Flying Capacitor Multi-Level Inverter [2.3513645401551333]
モデル予測制御(MPC)は、単純な概念、高速な動的応答、優れた参照追跡のため、パワーエレクトロニクスで広く使われている。
最適なスイッチング状態を予測するためにシステムの数学的モデルに依存するため、パラメトリックな不確実性に悩まされる。
本稿では,ニューラルネットワーク(ANN)に基づくモデルフリー制御戦略を提案する。
論文 参考訳（メタデータ） (2021-10-15T13:54:08Z) - SensiX++: Bringing MLOPs and Multi-tenant Model Serving to Sensory Edge
Devices [69.1412199244903]
エッジデバイス上でMLOpsを統合した,適応モデル実行のためのマルチテナントランタイムを提案する。
S SensiX++は、高度にモジュール化されたコンポーネント化と、明確な抽象化によるデータ操作の外部化と、システム全体のオーケストレーションのためのドキュメント中心の宣言という、2つの基本原則で運用されている。
SensiX++のさまざまな自動化コンポーネントの全体的なスループットと定量化メリットについて報告し、運用の複雑さを著しく低減し、エッジデバイスへの組み込みモデルのデプロイ、アップグレード、再構成、提供の労力を削減する効果を実証する。
論文 参考訳（メタデータ） (2021-09-08T22:06:16Z) - Automatic digital twin data model generation of building energy systems
from piping and instrumentation diagrams [58.720142291102135]
建物からP&IDのシンボルや接続を自動で認識する手法を提案する。
シンボル認識,線認識,およびデータセットへの接続の導出にアルゴリズムを適用する。
このアプローチは、制御生成、(分散)モデル予測制御、障害検出といった、さらなるプロセスで使用することができる。
論文 参考訳（メタデータ） (2021-08-31T15:09:39Z) - Zero-Shot Controlled Generation with Encoder-Decoder Transformers [8.506451605253517]
ゼロショットでエンコーダ・デコーダ変換器に基づくNLGモデルを制御するための新しい手法を提案する。
これらのNLGモデルがこのような操作に対して堅牢であるだけでなく、その動作が世代性能に影響を与えることなく制御可能であることを示す。
論文 参考訳（メタデータ） (2021-06-11T14:07:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。